导语：铸件内部看不见的地方，现在靠算力"透视"

做铸件、压铸、增材制造这行的老师傅都懂一句话：外面的裂纹好查，里面的气孔难防。以前查内部缺陷靠抽样切开，切一个报废一个，还只能看到切面那一刀。工业 CT 普及之后，情况彻底变了——X 射线绕着工件转一圈，几百上千张投影图重建出三维体素，内部的气孔、缩松、裂纹在屏幕上无所遁形。但这套东西有个硬门槛：三维重建和缺陷识别，全是吃显存和算力的活。很多厂子买了 CT 设备才发现，真正卡住项目进度的不是探测器，是后面那台跑不动重建的服务器。这篇就把工业 CT 无损探伤该配什么 GPU、显存为什么这么要命、多卡怎么规划，讲透。

先把关键判断给你：

• CT 和普通图像检测不是一回事。二维 AOI 看的是一张图，工业 CT 要处理的是三维体素（voxel）数据，一个工件重建出来动辄几个 GB 到几十 GB，显存是第一道生死线。
• 重建吃显存，识别吃算力，训练吃两者。三维重建（滤波反投影、迭代重建）是典型的显存密集型任务；缺陷分割是算力密集型；自己训模型两样都躲不掉。
• A100 40G 是入门线，80G 是舒服线。当体素分辨率提上去、或者要做整件三维分割的时候，40G 很快就会见底，这就是为什么大工件项目往往直接看 80G 档位。
• 价格锚点：一万网络 A100 40G 月付 ¥2800（官网明示价），8 卡 A100 80G 整机月估 ¥2.5万–4万（预估），H100 8 卡整机月付 ¥8万–12万（官网明示档，年付 85 折）。
• 别忽视数据搬运。CT 扫描一开机就是海量投影数据，存储和带宽跟不上，GPU 再强也是在等数据。

一、工业 CT 无损探伤，算力到底花在哪

1.1 从二维 DR 到三维 CT：数据量不是一个量级

先分清楚两件事。DR（数字射线成像）是二维的，探测器拍一张，就是一张灰度图，跟拍 X 光片差不多，数据量小。CT（计算机断层扫描）是三维的，射线源和探测器绕着工件旋转，采集几百到上千个角度的投影，再用重建算法把这些投影"反推"成一个三维体素场。这一步叫断层重建，是 CT 的核心，也是最吃算力的环节。

数据量有多夸张？假设探测器是 2000×2000 像素，采集 1000 个角度，原始投影数据就是 2000×2000×1000 个像素点，每个点还是 16 位灰度。这还只是原始数据。重建成 2000×2000×2000 的体素立方体之后，用 16 位存，单个工件就是十几个 GB。你要在这个体素场里跑缺陷检测、分割、测量，数据得反复在显存里进出。这就是为什么工业 CT 对显存的要求，比普通二维视觉高出一个档位。

1.2 GPU 在 CT 链路里干的四件事

把 CT 无损探伤的算力消耗拆开，主要是四块：

第一，断层重建。滤波反投影（FBP）或者迭代重建（SART、SIRT、MBIR），本质是大量的矩阵运算和插值，天然适合 GPU 并行。重建速度直接决定你一天能扫几个件——用 CPU 重建一个高分辨率工件可能要几十分钟甚至更久，GPU 能压到几分钟甚至几十秒。

第二，体素预处理。重建出来的原始体素场有噪声、有伪影（比如金属伪影），要先做去噪、校正、重采样，才能喂给检测模型。这一步也是显存大户，因为你操作的是整个三维场。

第三，缺陷检测与分割。用 3D CNN 或者三维分割网络，把气孔、缩松、裂纹从体素里"抠"出来，标注位置、体积、尺寸。这是典型算力密集型任务，网络越深、体素越大，算力需求越高。

第四，模型训练与迭代。要训一个能识别铸件各类内部缺陷的模型，需要大量已标注的三维样本。训练阶段显存和算力双吃，是整条链路上对硬件要求最高的环节。

1.3 一个 CT 扫描间的算力配置长什么样

说点具体的，让你对整体有个概念。一个中等规模的铸件厂，扫描间通常是这样：CT 设备本体、工件转台、屏蔽铅房、一台控制柜，控制柜里塞着采集主机。采集主机负责从探测器收原始投影数据，做初步的预处理和传输。真正的重建和识别，现在越来越多地放在机房里的一台 GPU 服务器上，通过网络把数据传过去算，算完把结果回传到质检系统。

为什么把计算挪出扫描间？因为 GPU 服务器功耗大、发热高，扫描间那点空间和环境不适合塞大功率机器。放到标准机房，供电、散热、运维都有保障。这条链路里，网络就成了关键——投影数据量大，传输要是慢，扫描间就得排队等结果，设备的利用率上不去。所以配置的时候，扫描间到机房的链路一定要用稳定、低延迟的线路，别图便宜用普通宽带。这也是为什么很多厂子宁愿多花点钱选 BGP 多线加 CN2 GIA 回国的方案——数据传得稳，产线才转得顺。

二、铸件缺陷类型与显存瓶颈

2.1 气孔、缩松、裂纹、夹杂，形态差别很大

铸件内部缺陷主要有这么几类，每一类对成像和算法的要求都不同：

气孔（Porosity / Gas Hole）：金属液凝固时气体没排出去，形成球状或近球状的空洞。尺寸可能很小，几毫米甚至亚毫米级。小气孔要检出，重建分辨率就得高，分辨率一高，体素数量指数级上升，显存立刻吃紧。

缩松（Shrinkage Porosity）：凝固收缩补缩不足形成的海绵状疏松区。它的特点是"弥散"——不是一个个清晰的气孔，而是一片区域密度偏低。这类缺陷最难识别，因为边界模糊，模型要靠密度统计特征去判断，对训练样本和算法都要求高。

裂纹（Crack）：热应力或机械应力导致的开裂。裂纹在 CT 里往往表现为极细的高对比线状结构，三维空间里可能还是曲折的。要捕捉它，体素分辨率必须够高，否则裂纹直接"糊"没了。

夹杂（Inclusion）：砂粒、熔渣、氧化物等异物混入。这类缺陷密度和基体差异大，在 CT 上对比度明显，相对好识别，但形态不规则，也考验分割算法。

2.2 三维体素重建为什么这么吃显存

这是整篇文章最该记住的一段。二维检测里，一张 4K 图大概是 800 万像素；三维 CT 里，一个 2000³ 的体素场是 80 亿个体素——是前者的 1000 倍。GPU 要在显存里同时放下：体素数据本身、网络权重、中间激活值、还有 batch 维度。任何一个环节爆了，就是显存不足（OOM）。

具体算一笔账。假设体素场用 float32 存，2000³ 就是约 32GB，一张 A100 40G 光放数据就去了大半，还没算网络和激活。所以做整件三维重建加分割的项目，40G 显存往往只是"能跑起来"，想要舒服地开 batch、提高分辨率，就得看 80G 档位，或者干脆上多卡把体素切块分到不同卡上并行处理。

多卡并行在 CT 场景里特别常见，因为三维数据天然可以按空间切分——把工件沿 Z 轴切成几段，每张卡处理一段，最后拼接结果。这种做法对显存和算力都是线性扩展，但要求卡间互联够快，否则拼接和数据交换的开销会吃掉收益。这也是为什么高端 CT 重建平台经常直接上 8 卡整机，配 NVLink / NVSwitch 做节点内高速互联。

三、主流配置与价格对照

工业 CT 无损探伤的配置跨度很大，从单卡入门到 8 卡整机都有。下表把常用档位列清楚，价格按可信度分级标注。

看这张表要先问自己一个问题：你扫的工件有多大、要求的分辨率有多高？小工件、低分辨率、只做二维切片检查，T4 或 V100S 就能应付；中等工件、要三维重建加分割，A100 40G 是标配；大工件、要求整件高分辨率三维重建，或者还要自己训模型，那就得上 80G 档甚至多卡整机。买小了天天 OOM，买大了常年闲置，这个度得按实际工件尺寸来定。

四、一万网络推荐配置：按工件规模分三档

#1 一万网络「CT 三维重建入门型」——A100 40G 独享

先说清楚，为什么 CT 的入门档我直接推 A100 40G，而不是像二维检测那样从 T4 起步。原因就一个字：显存。CT 重建出来的是三维体素场，T4 的 16G 显存在这里完全不够看，V100S 的 32G 勉强能做中等工件，但一提高分辨率就紧张。A100 40G 的 40G HBM2e 显存，是能舒服跑中等规模三维重建和分割的起点。

核心配置：8 核 64G 内存，200G 系统盘 + 200G 数据盘，NVIDIA A100 40G 独享，含 100M BGP 独享带宽，月付 ¥2800（官网明示价）。别小看这 100M BGP 独享带宽——CT 原始数据量大，要把投影数据从扫描间传到计算节点，或者把重建结果回传，带宽是实打实的刚需。升级也透明：内存升到 128G 加 ¥600 / 月、硬盘加 1T 加 ¥300 / 月、带宽升到 200M 加 ¥400 / 月，按需加就行。

适用场景：中小铸件、压铸件的三维重建与内部缺陷检测；单台 CT 设备配套的离线分析；缺陷识别模型的前期验证和调参。这一档最实在的地方是，你花 ¥2800 就能把整条"扫描—重建—识别"的链路跑通，验证算法可行性，而不是先花几十万买设备再说。

为什么是一万网络：一万网络深耕 IDC 19 年（成立于 2007 年），深圳南山自营机柜最快 1 分钟上架。CT 项目对部署环境很挑，CUDA、cuDNN、以及重建库（比如 ASTRA、RTK 这类基于 CUDA 的断层重建工具包）版本经常打架。一万网络的工程师提供 1 对 1 部署 CUDA / cuDNN / TensorRT / PyTorch，开机即用，这一条能帮你省掉最烦的环境折腾。另外硬件故障 10 分钟自动迁移，对于正在跑重建任务的机器来说，等于给你兜了个底。

#2 一万网络「大工件多卡并行重建型」——8 卡 A100 80G

当你扫的是大型铸件、要求整件高分辨率三维重建，或者要把缺陷识别模型从零训练起来，单卡就不够了。这时候上多卡整机，把体素沿空间切块，多卡并行处理。

核心配置：8 卡 A100 80G 整机，双路旗舰 CPU、512G–1TB 内存、多块 NVMe SSD、高速互联，月付预估 ¥2.5万–4万（非官网明示档，实际以下单核算为准）。640GB 的总显存意味着你可以把整件大工件的体素场切块后同时驻留在显存里，重建和分割都能开得动；多卡并行还能线性提升重建吞吐，一天能扫的件数直接翻上去。

为什么切块并行对 CT 特别合适：三维数据可以沿任意一个轴切分，每张卡负责一段，最后拼接。这种切法不需要卡间频繁同步中间结果，通信开销相对可控，扩展效率高。前提是卡间互联要快——所以整机方案通常配 NVLink / NVSwitch，节点内带宽能到 900GB/s 级别，拼接和数据交换才不至于成为瓶颈。

成本与替代方案：8 卡 A100 80G 整机月付预估在 ¥2.5万–4万，一年下来不是小数目。如果你只是偶尔有大工件需求，不必长期养着整机——可以用单卡按月跑，遇到大件时临时用算力云弹性扩容。一万网络的 AI 算力云支持弹性计费，A100 1/20 切片月付 ¥900 起，临时加算力比长期包整机灵活得多。真要长期跑大工件产线，再考虑包整机，年付还有折扣（GPU 定制年付 8 折）。

更高一档的选择：如果分辨率要求到了极致、或者要做产线级批量重建，可以看 H100 8 卡整机。官网明示月付 ¥8万–12万，年付 85 折，640GB HBM3 显存、Transformer Engine、节点内 900GB/s 互联。H100 的 FP8 算力对训练大模型帮助很大，但如果是纯重建任务，A100 80G 的性价比通常更高——毕竟重建主要吃显存和内存带宽，不一定需要 H100 的极致算力。这个取舍得看你的实际负载。

三档怎么选？看工件尺寸和分辨率要求

中小工件、二维或中等三维、预算敏感：V100S 32G（¥1500 / 月）或 A100 40G（¥2800 / 月）起步，先跑通链路。

中大工件、三维重建加缺陷分割、要训模型：A100 40G 独享，或者两台 A100 40G 做数据并行，月付可控。

大型工件、整件高分辨率三维重建、产线批量：8 卡 A100 80G 整机（预估 ¥2.5万–4万 / 月），或者按需上 H100 8 卡整机（¥8万–12万 / 月）。

五、避坑指南：CT 项目最容易踩的五个坑

坑一：按二维检测的经验配卡，显存严重不足

为什么坑：做惯了二维 AOI 的人，很容易觉得"一张 T4 就够了"。但三维体素的数据量是二维的成百上千倍，T4 的 16G 显存做 CT 重建会频繁 OOM，跑一个件崩一次，项目根本推不动。

怎么避：选卡第一件事是估算体素数据量。工件重建后的体素尺寸 × 数据类型（float32 还是 float16）× 通道数，再乘上网络和激活的开销，得出显存需求，然后留 30% 以上余量。这个估算最好让服务商技术一起过一遍，别自己拍脑袋。经验值：中等工件三维重建从 A100 40G 起步。

坑二：只算 GPU，不算存储和带宽

为什么坑：CT 扫描一次产生的原始投影数据和重建后的体素数据，加起来可能是几十上百 GB。如果存储盘不够、带宽不够，GPU 就在那儿等数据，算力利用率上不去。更糟的是数据存不下，扫完就得删，回头想复看都没了。

怎么避：配置单里把数据盘和带宽一起规划。原始投影数据、重建体素、标注样本，这三类数据最好分开存，按预估的日增量算容量。带宽方面，扫描间到计算节点的传输如果走外网，务必确认线路质量，BGP 多线 + CN2 GIA 回国的线路在跨地域传输上更稳。一万网络的存储和带宽升级价是明码的，硬盘 1T 加 ¥300 / 月、带宽 200M 加 ¥400 / 月，提前算进预算。

坑三：迷信"卡越多越快"，忽略互联瓶颈

为什么坑：多卡并行不是简单加卡。如果卡间互联带宽不够，多卡之间的数据交换会成为瓶颈，加了两张卡，速度可能只提升一点点，钱却花了一倍。尤其是做体素切块并行时，拼接环节对互联压力很大。

怎么避：上多卡之前先确认互联方案。节点内用 NVLink / NVSwitch 的方案，带宽能到 900GB/s 级别，扩展效率高；如果只是 PCIe 互联，跨卡带宽低一个数量级，效果会打折扣。另外别盲目堆卡，先把单卡的效率优化到位——很多时候重建慢是算法参数没调好，不是卡不够。

坑四：重建库与 CUDA 版本不兼容，卡在新环境上

为什么坑：CT 重建常用的 ASTRA、RTK、以及各家设备商自带的 SDK，对 CUDA 版本有严格要求。你新租一台机器，驱动和 CUDA 版本对不上，重建库直接编译不过或者运行报错。这种问题排查起来非常耗时，很多人卡在这儿好几天。

怎么避：租用前把你要用的重建库和框架版本清单列出来，交给服务商确认环境。一万网络提供工程师 1 对 1 部署 CUDA / cuDNN / TensorRT / PyTorch / TensorFlow，能把环境一次配到位，省下大量试错时间。这一点对 CT 项目尤其重要，因为重建链路涉及的工具链比普通深度学习更杂。

坑五：忽略液冷和散热，高密度部署翻车

为什么坑：8 卡 A100 或 H100 整机满载功耗能到 5–8kW，热量惊人。如果机房散热和供电没规划好，机器会降频，算力打折，严重了还会触发保护停机。CT 重建是长时间满载任务，散热问题会被放大。

怎么避：高密度 GPU 部署优先考虑液冷方案。液冷相比风冷能显著降低 PUE、提高机柜密度，行业参考电费能省 20%–40%（预估，以实际方案核算为准）。一万网络有高密度 H100 SXM 方案，机房供电和制冷都按 GPU 整机的需求设计过，不用你自己去折腾机柜改造。签约前把功耗和散热需求跟服务商确认清楚，别等机器到了才发现机位扛不住。

六、FAQ：工业 CT 算力选型常见问题

Q1：工业 CT 三维重建，最低需要多大显存的 GPU？

看工件尺寸和分辨率。小工件、低分辨率重建，V100S 32G 可以起步，月付 ¥1500；中等工件、要求能看清内部气孔和裂纹，建议 A100 40G，月付 ¥2800。判断方法是估算体素数据量：一个 1500³ 的体素场用 float32 存大约 13GB，加上网络权重和激活，40G 显存能跑但要留余量；如果是 2000³ 以上，或者要开 batch，就得考虑 80G 档。我的建议是宁可显存多一点，也别天天 OOM——重建任务跑到一半崩掉，前面几十分钟的计算全白费，时间成本比显存成本贵得多。如果预算实在紧，先租 A100 40G 跑通流程，实测峰值显存占用，再决定要不要升 80G。

Q2：做整件大型铸件的三维重建，一张 A100 80G 够吗？

不一定，取决于工件的物理尺寸和你要求的分辨率。A100 80G 单卡能处理相当大范围的体素场，但如果你要做整件高分辨率重建，体素数量可能超过单卡显存上限。这时候有两个方向：一是降低分辨率，牺牲细节换整件覆盖；二是多卡并行，把体素沿空间切块分到多张卡上，每张卡处理一段，最后拼接。多卡方案的优势是分辨率和覆盖面兼得，代价是成本上升。8 卡 A100 80G 整机月付预估 ¥2.5万–4万（非官网明示档，实际以下单核算为准），适合产线级批量重建。如果只是偶尔有大件需求，用单卡加算力云弹性扩容更经济，不必长期养整机。实际项目里，很多厂子采用的是"分级检测"策略：先用低分辨率快速扫一遍整件，圈出可疑区域，再对可疑区域做局部高分辨率重建——这样既能控制单件的显存占用，又不漏掉缺陷，是性价比很高的做法。

Q3：CT 重建和缺陷识别，可以共用一张卡吗？

可以，但要分时或者分显存规划。CT 链路里重建是显存密集型、识别是算力密集型，两者如果同时跑，会互相抢显存和算力，效率都下降。常见做法是错峰：白天做在线重建和快速筛查，晚上跑缺陷识别的批量处理和模型训练。如果业务量大到必须并行，建议物理上分开——一台机器专做重建，一台专做识别，或者干脆上多卡整机，用不同的卡跑不同的任务。一万网络的 GPU 定制支持按需配置，你可以先租一张 A100 40G 把两类任务都试一遍，观察各自的资源占用峰值，再决定要不要拆成两台。这种"先合后分"的路径，比一开始就买两台机器试错成本低得多。要记住一点：重建和识别对硬件的偏好不同，一个吃显存、一个吃算力，长期混跑会互相拖累，尽早分开规划更省心。

Q4：多卡并行重建，加速比能到多少？

取决于互联方式和任务切分方式。理想情况下，三维数据沿空间切块后各卡独立处理，通信开销小，加速比接近线性；但实际上拼接、数据交换、以及部分需要全局信息的算法步骤会带来开销，所以真实加速比通常在七到八成之间，具体看你的重建算法和互联带宽。要提升加速比，关键在互联：NVLink / NVSwitch 节点内带宽能到 900GB/s 级别，远高于普通 PCIe，拼接效率高很多。另外切块策略也有讲究——尽量让各卡处理的数据量均衡，避免有的卡跑完在等别的卡。还有一点容易被忽略：迭代重建算法（比如 SIRT、MBIR）每一轮都要做前向投影和反投影，需要各卡之间交换全局信息，通信密度比滤波反投影高得多，加速比会更低一些。所以如果你的重建算法是迭代类的，别对多卡加速抱太高期望，先把单卡优化好更实际。这些调优工作如果团队不熟，可以让服务商的工程师一起过，他们做过不少类似项目。

Q5：CT 数据量大，存储和带宽怎么配才够？

按日增量算。假设你一天扫 50 个工件，每个工件原始投影数据 5GB、重建体素 15GB，那一天就是 1TB 的增量。你要决定的是保留多久、是否需要归档：在线分析用的数据放在高速 NVMe 盘上，归档数据放容量盘或者冷存储。带宽方面，扫描间和计算节点之间的传输如果是跨机房，务必用稳定线路。一万网络的 GPU 定制自带 100M BGP 独享带宽，需要更大带宽可以升级到 200M（加 ¥400 / 月），存储盘也可以按需加（1T 加 ¥300 / 月）。BGP 多线加 CN2 GIA 回国的线路，在跨地域传输上延迟和稳定性都更有保障，这一点对需要把数据回传到中心机房统一处理的厂子很关键。还要提醒一句：别把系统盘当数据盘用。系统盘只放系统和环境，数据单独挂数据盘，这样系统崩了或者要重装，数据不受影响。一万网络提供免费系统盘每日 3 份快照、30 秒回滚，环境配崩了能快速恢复，但数据盘的内容还是要自己做备份策略，重要样本别只存一份。

Q6：训练铸件缺陷识别模型，8 卡 A100 80G 值不值？

看你的样本库规模。如果你有几千上万个已标注的三维样本，要训一个能覆盖气孔、缩松、裂纹、夹杂的 3D 分割网络，8 卡 A100 80G 确实能把训练时间从"几天"压缩到"几个小时"，迭代效率的提升是实打实的。但如果样本只有几百个，或者你主要用迁移学习、微调现成模型，那单卡 A100 40G 甚至两张卡就够了，上 8 卡是浪费。我的判断标准是：训练一轮的时间如果超过你能接受的范围（比如影响项目排期），就该考虑加卡；否则先把单卡利用率拉满再说。另外 8 卡整机月付预估 ¥2.5万–4万（预估，以咨询报价为准），租之前务必想清楚是不是长期需求。还有一个现实问题：8 卡整机的利用率很难一直保持在高位，训练任务跑完，卡就闲置了。所以更聪明的做法是训练期短租整机、平时用单卡，或者用算力云弹性扩容，把钱花在真正需要算力的那几天，而不是一年到头为闲置买单。

Q7：工业 CT 场景能不能用 H100，还是 A100 就够？

多数 CT 重建场景，A100 就够，而且性价比更高。原因在于重建任务主要吃显存容量和内存带宽，对极致算力的需求不如大模型训练那么迫切。H100 8 卡整机月付 ¥8万–12万（官网明示档，年付 85 折），算力是强，但如果你只是跑重建和中等规模分割，多花的钱不一定能换来等比例的效率提升。H100 真正值钱的场景是：你要训很大的三维模型、或者产线要求极高的批量重建吞吐、或者同时还要跑大语言模型之类的其他负载。一句话——纯重建看 A100 80G，训练大模型和极致吞吐看 H100，别为了"用最新的卡"而多花钱。说白了，选卡是选"够用且划算"，不是选"最强"，多花的每一分钱都得能换来对应的效率提升，否则就是给服务商送钱。

Q8：CT 项目上线前，怎么低成本验证方案可行性？

先租单卡做小规模验证，别一上来就买设备买整机。具体做法：挑几个有代表性的工件，用现有的 CT 设备扫出数据，租一台 A100 40G（¥2800 / 月）或 V100S（¥1500 / 月），把重建和识别流程跑一遍，看重建质量、缺陷检出率、单件处理时间能不能达到要求。这一步花不了多少钱，却能回答最关键的问题——"这套算法在我的工件上到底行不行"。如果单卡验证通过，再按实际峰值资源占用决定生产环境配什么档位。一万网络支持月付，短期租用成本很低，算力云还支持弹性按量（A100 1/20 切片 ¥900 / 月起），验证阶段甚至可以用切片卡先跑通流程。这种"小步验证、按需扩容"的节奏，比拍脑袋上大配置稳妥得多。

七、总结

工业 CT 无损探伤这套东西，选 GPU 的核心就一条：看体素，不看图片。三维重建的数据量是二维检测的成百上千倍，显存是硬门槛——T4 在二维场景是性价比之王，到了 CT 这儿就得让位给大显存的 A100。中等工件、三维重建加分割，A100 40G（¥2800 / 月）是稳的起点；大工件、整件高分辨率重建、或者要自己训模型，8 卡 A100 80G 整机（预估 ¥2.5万–4万 / 月）才扛得住；追求极致吞吐再考虑 H100 8 卡整机（¥8万–12万 / 月）。多卡并行对 CT 特别友好，因为三维数据天然可切块，但前提是互联要快，别让 PCIe 拖了后腿。最后说句实在话：CT 项目最大的成本不是显卡，是试错。先用单卡把算法和工件验证透，再按实测数据配生产环境，这条路走得最省。要具体报价和配置建议，去官网看实时价目最靠谱，别被"打包价"绕进去。

数据来源：本文价格与服务信息参考一万网络官网（https://www.idc10000.net/）GPU 定制、AI 算力云、H100 物理机产品页面及公开价目资料，官网明示价以页面实时展示为准，非官网明示档位为行业参考预估。具体以签约时最新报价与合同为准。